大规模零售需求预测中的保精度稳定性正则化

arXiv cs.LG 论文
demand-forecasting stability-regularization retail forecasting machine-learning optimization time-series

摘要

本文提出了一种训练时稳定性正则化罚项，可在不牺牲精度的情况下提高预测稳定性。在M5零售需求数据上进行的评估显示，该方法的预测稳定性得分有所提升，同时均方根误差(RMSE)保持在0.72%以内。

arXiv:2607.13331v1 Announce Type: new 摘要：零售需求预测被重复用于补货、产能、劳动力及运输规划周期。逐点误差目标无法约束相邻预测之间的剧烈波动，而事后平滑仅在模型拟合后作用。我们探究训练时对序列内连续变化的惩罚能否在不显著改变点精度的前提下提升水平预测路径的稳定性。该惩罚在一个时间结构化的流水线中评估，该流水线结合了近期需求嵌入、日历、价格、层次结构、商品和商店特征。在M5需求序列中选择1000、3000和4000系列规模，稳定性感知混合模型相比XGBoost在预测稳定性得分上分别提升了6.91%、6.66%和7.68%，而三个随机种子下的均方根误差变化保持在0.72%以内。事后指数平滑得到的原始波动更低，但付出了更大的均方根误差代价；训练时正则化保留了更多的点精度，且在归一化稳定性下表现更优。这些发现将预测评估从逐点误差最小化扩展到面向精准性与稳定性权衡的视角，应用于运营零售预测。
查看原文
查看缓存全文

缓存时间: 2026/07/16 04:21 

# 保精度稳定性正则化在大规模零售需求预测中的应用
来源：https://arxiv.org/abs/2607.13331
查看PDF（https://arxiv.org/pdf/2607.13331）

> 摘要：零售需求预测在补货、产能、人工和运输规划周期中被重复使用。点误差目标未约束相邻预测之间的剧烈波动，而事后平滑仅在模型拟合后进行。我们探究在训练时对序列内连续变化施加惩罚，能否在不显著改变点精度的情况下改善水平预测路径的稳定性。该惩罚在一个融合近期需求嵌入与日历、价格、层级、商品及门店特征的时间结构化流水线中进行评估。在 M5 需求序列的 1000、3000 和 4000 序列规模上，该稳定性感知混合模型相对于 XGBoost 的预测稳定性得分分别提升了 6.91%、6.66% 和 7.68%，而三个随机种子下的 RMSE 变化均保持在 0.72% 以内。事后指数平滑能获得更低的原始波动，但带来更大的 RMSE 代价；训练时正则化在保留更多点精度的同时，在归一化稳定性指标上表现更优。这些发现将预测评估从点误差最小化扩展至面向运营零售预测的精度-稳定性权衡视角。

## 提交历史

来自：Jize Li \[查看邮件（https://arxiv.org/show-email/3ddf02f8/2607.13331）\] **\[v1\]** 星期二，2026年7月14日 23:31 UTC（905 KB）

相似文章

优化ARDL模型用于零售销售预测与公平定价

arXiv cs.LG

本文提出了一种针对零售食品的公平感知定价框架，利用自回归分布滞后（ARDL）模型进行销售预测，并通过线性规划与模拟退火算法在基于消费者物价指数（CPI）的边界下优化价格，以防止消费者剥削。

分布偏移下稳定自适应的损失平滑

arXiv cs.LG

损失平滑在自适应过程中在源目标和目标目标之间进行插值，在保留有用特征的同时实现专门化。在监督偏移、强化学习和语言模型微调中的实验显示一致的改进。

多期限波动率预测中的部署侧自适应性

arXiv cs.LG

本文研究了不同的推理时部署规则（展开策略）如何影响多期限波动率预测。结果表明，非默认的展开策略通常能提升性能，且基于验证的部署策略相比标准MIMO部署提供了低成本改进，强调了部署策略与模型架构同等重要。